سیستم همگام‌سازی یادگیری عمیق NPRACH - هوش مصنوعی

---

شرح پروژه

سلام خدمت مجریان گرامی

موضوع پروژه : 

تحلیل ریشه‌ای و راهکارهای اصلاحی برای خطای ابعادی در سیستم همگام‌سازی یادگیری عمیق NPRACH

شرح حال :

ما یک پروژه هوش مصنوعی داریم که مربوط به الگوریتم همگام‌سازی DeepNSynch-V2 برای NB-IoT می باشد .

این پروژه برای بهبود یافتن نیازمند تغییراتی بوده که انجام شده است . 

تغییراتی که باید در این پروژه انجام میشد در فایل "بهبود الگوریتم Deep Learning برای NPRACH" بارگذاری شده است .

بر اساس این توضیحات فایل nprach_synch حاوی کد هایی است که بهبود یافته اند و به روز رسانی شده اند.

چالش اصلی که در این پروژه وجود دارد تغییرات نسخه کتابخانه Sionna می باشد.

فایل قدیمی این پروژه با نسخی قدیمی این کتابخانه همگام سازی شده است.

اما قابلیت هایی که در نسخه قدیمی وجود داشته در نسخه جدید کتابخانه وجود ندارد یا تغییر کرده است .

برای همین چالش برزگی به وجود آمده است که باعث شده است خطاهایی بسیار زیادی برای موضوع عدم هماهنگی نسخه کتابخانه به وجود بیاید.

الان این فایل خطایی که مربوط به کتابخانه Sionna باشد را ندارد . وقوع خطاهای بحرانی در مدیریت حافظه (OOM) و ناسازگاری ابعاد تانسورها (InvalidArgumentError: Can not squeeze dim) در هنگام اجرا بر روی سخت‌افزارهای قدرتمند Google Colab (مانند A100) است. تحلیل‌های فنی نشان می‌دهد که این خطاها ناشی از تعامل پیچیده بین کتابخانه شبیه‌سازی کانال Sionna (نسخه 0.15.1)، مکانیسم‌های پخش (Broadcasting) در TensorFlow 2.19.1 و ساختار داده‌های ورودی به مدل ترانسفورمر است.

InvalidArgumentError: Exception encountered when calling E2E.call()... Detected at node deep_n_synch_v2_1/Squeeze defined at... Can not squeeze dim, expected a dimension of 1, got 64

تحلیل:

محل خطا: فایل deepnsynch_v2.py، خط ۱۹۰ (عملیات squeeze).
انتظار مدل: دستور tf.squeeze(y, axis=) انتظار دارد که تانسور ورودی y دارای ابعادی باشد که در محورهای ۱ و ۲ مقدارشان دقیقاً ۱ باشد. یعنی شکل مورد انتظار (Batch_Size, 1, 1, Time_Samples) است.
واقعیت: خطا می‌گوید got 64. این عدد ۶۴ دقیقاً برابر با BATCH_SIZE_TRAIN است. این یعنی شکل تانسور ورودی به صورت (Batch_Size, 1, Batch_Size, Time_Samples) درآمده است.
 

۳.۲. ریشه خطا: رفتار پنهان tf.map_fn و ApplyTimeChannel
 

این خطا در فایل e2e_system_v2.py ریشه دارد، جایی که کانال مخابراتی شبیه‌سازی می‌شود.

کد پروژه از tf.map_fn برای اعمال کانال روی هر نمونه از Batch به صورت جداگانه استفاده می‌کند تا از پر شدن حافظه (OOM) جلوگیری کند. اما یک نکته ظریف در نسخه Sionna 0.15.1 وجود دارد:

لایه ApplyTimeChannel در Sionna طوری طراحی شده است که اگر ورودی‌ها دارای بعد Batch باشند، عملیات کانولوشن را به صورت ماتریسی روی کل Batch انجام می‌دهد. وقتی شما از tf.map_fn استفاده می‌کنیم، در هر تکرار، یک تک‌نمونه (Single Sample) را به تابع می‌فرستیم.

ورودی به تابع داخلی apply_single_batch_element: یک تانسور با شکل (Tx, 1, Time).
ما در داخل این تابع از tf.expand_dims(x_i, axis=0) استفاده می‌کنیم تا یک بعد Batch مصنوعی (با اندازه ۱) بسازیم.
خروجی ApplyTimeChannel برای این تک‌نمونه باید (1, Rx, RxAnt, Time) باشد.
مشکل کجاست؟ اگر متغیرهای کانال (h_sys) به درستی برش نخورده باشند یا اگر TensorFlow در حالت Graph Mode نتواند شکل‌ها را استنتاج کند (infer_shape=False)، ممکن است ApplyTimeChannel دچار اشتباه شده و ابعاد را Broadcast کند.

در محیط‌های نوت‌بوک (مانند Colab و Kaggle)، وقتی ما یک فایل .py را در درایو تغییر می‌دهیم ، کرنل پایتون که در حافظه RAM فعال است، به صورت خودکار نسخه جدید را نمی‌بیند. دستور importlib.reload فقط ماژول سطح بالا را ریلود می‌کند و کلاس‌های داخلی (E2E) که قبلاً نمونه‌سازی شده‌اند، به‌روز نمی‌شوند.

بنابراین، خطای got 64 نشان می‌دهد که تانسور y قبل از ورود به DeepNSynchV2 اصلاح نشده است (یعنی خط y = tf.reshape(y_raw, [batch_size, 1, 1, self.num_time_samples]) اجرا نشده یا موثر نبوده است).

وظیفه شما به عنوان مجری این است که بر اساس این نکاتی که توضیح دادم پروژه را اجرا کنید و خروجی مد نظر را بر اساس اهداف پروژه برای من ارسال کنید.

بررسی های لازم رو انجام بدید و پیشنهاد خودتون رو ثبت کنید.

این پروژه شامل 2 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

---

---